近年来,目标跟踪算法作为车联网的关键环节和基础支撑技术得到人们广泛的关注和研究,使得车联网相关的技术得到了长足地发展。实时、高精度且自适应的目标跟踪算法对车联网系统有重要意义。然而,由于现有的目标跟踪算法实时性差、精度低、自适应性不强,且在理论和技术两个方面都与实际需求之间存在不小的差距。因此,研究基于特征级融合的目标跟踪算法具有重大的理论和工程意义。针对现有目标跟踪中的问题,本文创新性地对目标跟踪算法提出了各种解决方法和策略,主要的创新点和贡献包含以下四部分:1.面向实时目标跟踪的卷积特征选择算法。基于特征级融合的目标跟踪算法通常要求先提取目标特征信息。因此,如何选择少且有效的目标特征,从而在满足精度要求的同时保证其实时性是解决特征级融合问题的一个关键基础研究。为此,针对实时性差的问题,本文提出了面向实时目标跟踪的卷积特征选择算法。具体而言,首先,构建了一个新的基于自适应权重的目标函数用于评估和选择卷积特征。利用二次规划求解该目标函数,从而极大地提升了计算的有效性。其次,通过所提的特征选择算法可以丢弃许多冗余的卷积特征,同时极大的保留和跟踪目标相关的卷积特征。最后,实验结果表明:所提的卷积特征选择算法比现有的多个算法能更好地提升跟踪精度,同时降低了算法的计算复杂度,从而保证了所提跟踪算法的实时性。2.高精度目标跟踪中的多层卷积特征融合算法。上述方案对单层卷积特征进行处理。然而,如何在特征级对多层卷积特征进行融合,获得更利于目标跟踪的融合特征,是提高目标跟踪算法精度的一个关键问题。因此,针对精度差的问题,本文提出了基于多层卷积特征融合的目标跟踪算法。具体而言,本文提出了一种新的多层卷积特征融合框架。首先,多层卷积特征在特征级进行级联从而得到高维的级联特征;然后,使用卷积层进行特征降维。接下来,使用通道注意力网络对降维后的特征进行重新加权。最后,使用判别式相关滤波器得到目标的位置。实验结果表明,在公开目标跟踪数据库和车联网场景中,所提的算法使用更低维的特征达到了更好的性能。目标本身改变时跟踪系统需要自适应地调整,目标本身的变化也需要在跟踪系统中有一个稳定自适应的机制。针对自适应性,本文进行了以下两方面的研究:3.非理想样本下的训练样本集管理算法。上述两个场景中均假设训练样本全部准确,这是一种理想情况。然而,在实际的车联网应用中,训练样本并不完全是准确的,而不准确的训练样本,即非理想样本,会使跟踪器性能退化。针对该问题,本文提出了一种新的基于自适应样本权重的训练样本集管理算法,该算法可以评估和移除不准确的训练样本。具体而言,使用相似性学习在线评估训练样本的质量,得到的相似性得分用来判断训练样本是否准确。如果相似性得分低于某一阈值,那么该训练样本就被看作是不准确的,将该训练样本的权重置为零,从而将其从训练样本集中移除。实验结果表明了所提方案在公开目标跟踪数据库和车联网场景中都取得了优越的性能。4.尺度自适应的目标跟踪算法。除了需要对目标进行精确定位外,尺度的自适应估计也非常重要。目标尺度估计过大或过小会影响目标的定位精度;相反,目标位置的估计偏差也会影响尺度估计的性能。上述三个场景中的尺度估计算法只使用一种特征对尺度进行估计,因此该类尺度估计算法的精度和判别能力较差。针对该问题,本文提出了一种新的基于多核的尺度自适应估计算法,该算法可以实现更精确的尺度估计。具体而言,基于多个互补特征进行尺度估计,每个特征对应一个核,从而使得所提方法充分地利用多个核的强大判别能力。实验结果表明了提出的方案在存在尺度变化的场景中有显著的性能提升。最后对本文的主要工作进行总结,并且对未来研究进行展望。